CN109564425B

CN109564425B - 诊断设备、学习设备和诊断系统

Info

Publication number: CN109564425B
Application number: CN201780048541.3A
Authority: CN
Inventors: 黑田胜; 岩田圭史
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2016-08-09
Filing date: 2017-08-08
Publication date: 2021-10-08
Anticipated expiration: 2037-08-08
Also published as: WO2018030422A2; US11415976B2; WO2018030422A3; EP3497528A2; WO2018030422A4; EP3497528B1; US20190179297A1; JP2018025945A; JP6840953B2; CN109564425A

Abstract

诊断设备包括：第一获取单元，其从目标设备获取与当前操作相对应的情境信息；第二获取单元，其获取从检测单元输出的检测信息，该检测单元检测根据由目标设备执行的操作而改变的物理量；第一发送单元，其将获取的情境信息发送到学习设备；第二发送单元，其将获取的检测信息发送到学习设备；第三获取单元，其从学习设备获取与所发送的情境信息相对应的模型，该学习设备确定各条情境信息是否彼此相同或相似，并且将从与相同或相似的情境信息相对应的检测信息而生成的模型进行组合；以及第一确定单元，其通过使用检测信息和模型确定由目标设备执行的操作是否正常。

Description

诊断设备、学习设备和诊断系统

技术领域

本发明涉及诊断设备、学习设备和诊断系统。

背景技术

关于机床，例如处理机器(机加工)，存在一种已知技术，用于针对基于处理条件(机加工条件)的操作状态中的每个操作状态，通过将由声音收集单元收集的操作声音数据与预先准备的操作声音数据相比较，来确定机床的操作中是否存在异常。通常，使用监视诸如检测的(收集的)操作声音数据之类的检测信息并将检测信息与设定阈值相比较的方法来检测异常。在这种情况下，相对于数条学习数据，将与检测信息具有高相似性的数条数据进行线性组合，以计算估计值，并且获得在估计值与观察数据之间的偏差度。然后，基于在待评估的检测信息和建模的学习数据之间的相似性来确定检测信息中是否存在异常。

作为如上所述的用于确定操作中的异常的技术，已经公开了一种技术，其中从多条传感器数据生成学习模型，并且基于与观察的数据的相似性的差异来确定异常(参见日本专利No.5363927)。

发明内容

技术问题

然而，在日本专利No.5363927中描述的技术中，在生成学习模型时，是否发生异常被考虑为生成模型和设定控制阈值的影响程度；因此，为了获得正确的异常判定结果，需要导致其多次发生异常，以高准确性地进行异常判定。此外，在生成学习模型时，需要为各个设施中的每个重新输入异常判定的结果。因此，需要很长时间才能提高学习模型的准确性或成熟度。

本发明是鉴于上述问题而完成的，其目的在于提供一种能够提高异常诊断的准确性的诊断设备、学习设备以及诊断系统。

技术方案

根据本发明的一个方面，诊断设备包括第一获取单元、第二获取单元、第一发送单元、第二发送单元，第三获取单元和第一确定单元。第一获取单元被配置为从目标设备获取在由目标设备执行的各种操作而确定的多条情境信息当中的与当前操作相对应的情景信息。第二获取单元被配置为获取从检测单元输出的检测信息，该检测单元检测根据由目标设备执行的操作而改变的物理量。第一发送单元被配置为将由第一获取单元获取的情境信息发送到学习设备。第二发送单元被配置为将由第二获取单元获取的检测信息发送到学习设备。第三获取单元被配置为从学习设备获取与由第一发送单元发送的情境信息相对应的模型，该学习设备确定在多条情境信息当中的各条情境信息是否彼此相同或相似，并且将与被确定为彼此相同或相似的情境信息相对应的检测信息而生成的模型进行组合。第一确定单元被配置为，通过使用由第二获取单元获取的检测信息和由第三获取单元获取的模型，来确定由目标设备执行的操作是否正常。

本发明的有益效果

根据本发明的一个方面，可以提高异常诊断的准确性。

附图说明

图1是示出根据第一实施例的诊断系统的总体配置的示例的示意图。

图2是示出根据第一实施例的处理机器的硬件配置的示例的示意图。

图3是示出根据第一实施例的诊断设备和学习设备的硬件配置的示例的示意图。

图4是示出根据第一实施例的诊断系统的功能块配置的示例的示意图。

图5是示出第一实施例中的诊断过程的示例的流程图。

图6是示出第一实施例中的模型生成过程的示例的流程图。

图7是用于说明第一实施例中的模型生成过程和诊断过程的详细示例的示意图。

图8是用于说明用于对特定情境信息执行模型生成过程和诊断过程的详细示例的示意图。

图9是用于说明在不同处理过程中使用共同模型的示例的示意图。

图10是用于说明当输入尚未生成模型的情境信息时生成模型的操作的示意图。

图11是示出第一实施例中的模型组合过程的示例的流程图。

图12是示出用于关联情境信息和模型的表的示例的示意图。

图13是示出根据第一实施例的变型例1-2的学习设备按需要确定的发送传感器数据的操作的示例的流程图。

图14是示出根据第二实施例的诊断系统的功能块配置的示例的示意图。

图15是用于说明第二实施例中的加密的示例的示意图。

图16是用于说明第二实施例中的加密的另一示例的示意图。

图17是用于说明第二实施例中的加密的又一示例的示意图。

图18是示出用于设定情境信息的元素的组合的屏幕的示例的示意图。

图19是示出第二实施例中的加密和发送情境信息和传感器数据的操作的示例的流程图。

图20是示出用于关联散列值和传感器数据的表的示例的示意图。

图21是示出用于关联散列值和模型的表的示例的示意图。

图22是示出第二实施例中的模型组合过程的示例的流程图。

图23是示出第二实施例中的诊断过程的示例的流程图。

图24是示出根据第三实施例的诊断系统的功能块配置的示例的示意图。

图25是用于说明根据第三实施例的处理的详细示例的示意图。

图26是示出用于确定检测信息的对应关系信息的数据结构的示例的示意图。

图27是示出情境信息和处理间隔之间的关系的示例的示意图。

图28是示出指定处理间隔的方法的示例的示意图。

图29是示出似然性与确定值r(k)之间的关系的示例的曲线图。

图30是示出似然性的时间变化的示例的示意图。

图31是用于说明使用多个阈值的示例的示意图。

图32是用于说明使用多个阈值的示例的示意图。

图33-1是用于说明根据第五变型的确定方法的示例的示意图。

图33-2是用于说明根据第五变型的确定方法的示例的示意图。

图33-3是用于说明根据第五变型的确定方法的示例的示意图。

图34-1是用于说明根据第六变型的确定方法的示例的示意图。

图34-2是用于说明根据第六变型的确定方法的示例的示意图。

图34-3是用于说明根据第六变型的确定方法的示例的示意图。

具体实施方式

以下将参照附图详细描述根据本发明的诊断设备、学习设备和诊断系统的示例性实施例。

第一实施例

诊断系统的总体配置

图1是示出根据第一实施例的诊断系统的总体配置的示例的示意图。参考图1，将描述根据第一实施例的诊断系统1的总体配置。

如图1所示，例如，诊断系统1_1包括安装在处理机器200_1中的传感器57_1，诊断设备100_1和学习设备300。此外，诊断系统1_2包括安装在处理机器200_2中的传感器57_2，诊断设备100_2和学习设备300。

在下文中，诊断系统1_1和1_2中的任意一个或诊断系统1_1和1_2二者将简单地或共同地称为“诊断系统1”。诊断设备100_1和100_2中的任意一个或诊断设备100_1和100_2二者将简单地或共同地称为“诊断设备100”。处理机器200_1和200_2中的任意一个或处理机器200_1和200_2二者将简单地或共同地称为“处理机器200”。传感器57_1和57_2中的任意一个或传感器57_1和57_2二者将简单地或共同地称为“传感器57”。也就是说，诊断系统1包括安装在处理机器200中的传感器57，诊断设备100和学习设备300。处理机器200是由诊断设备100诊断的目标设备的示例。

诊断设备100是诊断处理机器200的操作中的异常的设备。如图1所示，诊断设备100可以经由网络2与学习设备300通信。网络2是专用连接线、有线网络，例如有线局域网(LAN)、无线网络、因特网等。

处理机器200是机床，该机床通过使用工具在处理目标上执行处理，例如切割、磨细或抛光。处理机器200是由诊断设备100诊断的目标设备的示例。

学习设备300是服务器设备，该服务器设备通过使用从诊断设备100接收的检测信息的学习过程，来生成通过诊断设备100执行的诊断过程中使用的模型。学习设备300可以被提供在云计算服务中。

传感器57检测由安装在处理机器200中的诸如钻头、立铣刀、钻尖端或磨石之类的工具所生成的物理量，例如振动或声音，并且将与检测到的物理量有关的信息作为检测信息(传感器数据)输出到诊断设备100。传感器57包括例如麦克风、加速度传感器，声发射(AE)传感器等。

处理机器200和诊断设备100可以以任何连接配置彼此连接。例如，处理机器200和诊断设备100通过专用连接线、有线网络彼此连接，例如通过有线LAN、无线网络等。

可以提供任意数量的传感器57。可以提供检测相同物理量的多个传感器57，或者提供检测不同物理量的多个传感器57。

传感器57可以预先配备在处理机器200中，或者可以稍后附接到作为整机的处理机器200。

处理机器的硬件配置

图2是示出根据第一实施例的处理机器的硬件配置的示例的示意图。如图2所示，处理机器200包括均经由总线58相互连接的中央处理单元(CPU)51、只读存储器(ROM)52、随机存取存储器(RAM)53、通信接口(I/F)54，以及驱动控制电路55。传感器57可通信地连接到诊断设备100。

CPU 51控制整个处理机器200。例如，CPU 51通过使用RAM 53作为工作区域(工作空间)来执行存储在ROM 52等中的程序，以控制处理机器200的整个操作，并实现处理功能。

通信I/F 54是与诸如诊断设备100的外部装置通信的接口。驱动控制电路55是控制电机56的驱动的电路。电机56驱动用于处理的工具，例如钻头、磨石、切割器或工作台。传感器57检测根据由处理机器200执行的操作而改变的物理量(例如，由电机56驱动旋转的工具的振动波形)，并将关于物理量的检测信息输出到诊断设备100。

诊断设备和学习设备的硬件配置

图3是示出根据第一实施例的诊断设备和学习设备的硬件配置的示例的示意图。在下文中，将描述诊断设备100的硬件配置作为示例。学习设备300具有相同的硬件配置。

如图3所示，诊断设备100包括均经由总线68彼此连接的CPU 61、ROM62、RAM 63、通信I/F 64、传感器I/F 65、输入-输出I/F 66、辅助存储设备67。

CPU 61控制整个诊断设备100。例如，CPU 61通过使用RAM 63作为工作区域(工作空间)来执行存储在ROM 62等中的程序，以控制诊断设备100的整个操作，并实现诊断功能。

通信I/F 64是与例如处理机器200的外部装置相通信的接口。传感器I/F 65是从安装在处理机器200中的传感器57接收检测信息的接口。

输入-输出I/F 66是用以连接各种设备(例如，输入设备66a和显示器66b)和总线68的接口。

输入设备66a是例如鼠标或键盘的输入设备，用以执行诸如字符、数字等的输入，各种指令的选择和光标的移动的操作。

显示器66b是诸如液晶显示器(LCD)、等离子显示器或有机电致发光(EL)显示器的显示设备，用以显示光标、菜单、窗口和各种类型信息，例如字符或图像。

辅助存储设备67是诸如硬盘驱动器(HDD)、固态驱动器(SSD)或电可擦除可编程只读存储器(EEPROM)的非易失性存储设备，用以存储各种数据，例如，在诊断设备100上的设定信息，从处理机器200接收的检测信息，操作系统(OS)或应用程序。虽然辅助存储设备67被包括在诊断设备100中，但是实施例不限于该示例。例如，辅助存储设备67可以是被提供在诊断设备100外面的存储设备，或者是可以与诊断设备100进行数据通信的服务器设备中包括的存储设备。

图3中示出的硬件配置是一个示例。在学习设备300的情况下，不需要包括传感器I/F 65。此外，例如，如果不需要输入设备66a和显示器66b，则不需要将其包括在学习设备300中。

诊断系统的功能块配置和操作

图4是示出根据第一实施例的诊断系统的功能块配置的示例的示意图。参照图4，将描述根据第一实施例的诊断系统1和处理机器200的功能块配置和操作。

如图4所示，处理机器200包括数值控制单元201、通信控制单元202、驱动控制单元203、驱动单元204和检测单元211。

数值控制单元201是对由驱动单元204执行的处理执行数值控制(NC)的功能单元。例如，数值控制单元201生成并输出数值控制数据以控制驱动单元204的操作。此外，数值控制单元201将情境信息输出到通信控制单元202。情境信息包括为处理机器200执行的各种操作确定的信息。情境信息包括例如，关于机床(处理机器200)的识别信息，关于驱动单元204的识别信息、驱动单元204的操作状态、驱动单元204从一开始使用的累计使用时间、驱动单元204上的负载，以及指示处理条件(机加工条件)的信息，例如驱动单元204的旋转频率、驱动单元204的处理速度、驱动单元204的尺寸、由驱动单元204驱动的工具的直径，以及工具的材料等。

例如，数值控制单元201经由通信控制单元202将指示处理机器200的当前操作的情境信息发送到诊断设备100。当要处理处理目标时，数值控制单元201根据处理过程(机加工过程)改变待驱动的驱动单元204的类型或驱动单元204的驱动状态(旋转频率、旋转速度等)。每次改变操作的类型时，数值控制单元201经由通信控制单元202将与改变的操作类型相对应的情境信息顺序地发送到诊断设备100。数值控制单元201由例如由图2所示的CPU51执行的程序来实现。

通信控制单元202是一种功能单元，其控制与例如诊断设备100的外部装置的通信。例如，通信控制单元202将与当前操作相对应的情境信息发送到诊断设备100。通信控制单元202由例如通信I/F 54和由图2所示的CPU 51执行的程序来实现。

驱动控制单元203是基于由数值控制单元201获得的数值控制数据来控制驱动单元204的驱动的功能单元。驱动控制单元203由例如图2所示的驱动控制电路55来实现。

驱动单元204是要经受由驱动控制单元203执行的驱动控制的功能单元。驱动单元204在驱动控制单元203的控制下驱动工具。驱动单元204例如是电机等，或者可以是用于处理并且可以经受数值控制的任何设备。可以提供两个或更多个驱动单元204。驱动单元204是致动器，其驱动是由驱动控制单元203控制，并且由例如图2中所示的电机56等来实现。

检测单元211是一种功能单元，其检测由安装在处理机器200中的诸如钻头、立铣刀、钻尖端或磨石之类的工具生成的物理量，例如振动或声音，并且该功能单元将检测到的物理量的信息作为检测信息(传感器数据)输出到诊断设备100。检测单元211由图2所示的传感器57实现。可以提供任意数量的检测单元211。例如，可以提供检测相同物理量的多个检测单元211，或者提供检测不同物理量的多个检测单元211。

例如，如果发生用于处理的刀片的破裂，刀片的碎裂等，则处理期间的声音改变。因此，通过使得检测单元211(麦克风)检测声学数据并将声学数据与指示正常声音等的模型进行比较，就变得可以检测由处理机器200执行的操作中的异常。

图4所示的数值控制单元201和通信控制单元202可以通过使得图2所示的CPU 51执行程序也就是通过软件来实现，可以通过例如集成电路(IC)的硬件来实现，或者可以通过软件和硬件的组合来实现。

如图4所示，诊断设备100包括通信控制单元101、检测信息接收单元102(第二获取单元)、处理信息获取单元103(第一获取单元)、特征提取单元104、模型获取单元105(第三获取单元)、确定单元106(第一确定单元)和存储单元107。

通信控制单元101是控制与诸如处理机器200和学习设备300的外部装置相通信的功能单元。通信控制单元101由例如通信I/F 64和由图3所示的CPU61执行的程序实现。通信控制单元101包括第一接收单元101a、第一发送单元101b、第二接收单元101c和第二发送单元101d。

第一接收单元101a是经由通信控制单元202从处理机器200的数值控制单元201接收情境信息的功能单元。第一发送单元101b是将各种信息发送到处理机器200的功能单元。第二接收单元101c是从学习设备300接收各种信息(例如，由诊断设备100执行的诊断过程中使用的模型)的功能单元。第二发送单元101d是将各种信息发送到学习设备300的功能单元。

检测信息接收单元102是从安装在处理机器200中的检测单元211接收检测信息的功能单元。检测信息接收单元102由例如传感器I/F 65和由图3所示的CPU 61执行的程序实现。

处理信息获取单元103是从处理机器200接收由第一接收单元101a接收的情境信息(处理信息)的功能单元。处理信息获取单元103由例如由图3所示的CPU 61执行的程序来实现。

特征提取单元104是从检测信息中提取由确定单元106执行的确定所使用的特征信息。特征信息可以是任何种类的信息，只要该信息指示检测信息的特征即可。例如，当检测信息是由麦克风收集的声学数据时，特征提取单元104可以提取能量、频谱、梅尔频率倒谱系数(MFCC)等作为特征信息。特征提取单元104由例如由图3所示的CPU 61执行的程序来实现。

模型获取单元105是从学习设备300经由第二接收单元101c获取由确定单元106执行的确定操作中使用的模型。具体地，模型获取单元105经由第二发送单元101d将由处理信息获取单元103获取的情境信息和模型获取请求发送到学习设备300。在接收到模型获取请求时，学习设备300从存储单元309读取与接收的情境信息对应的模型，并且经由稍后描述的发送单元301a将模型发送到诊断设备100的模型获取单元105。模型获取单元105由例如由图3所示的CPU 61执行的程序来实现。

确定单元106是通过使用由特征提取单元104提取的特征信息，并且通过使用与由处理信息获取单元103获取的情境信息相对应并且由模型获取单元105获取的模型，确定由处理机器200执行的操作是否正常的功能单元。例如，确定单元106请求特征提取单元104从检测信息中提取特征信息。确定单元106通过使用对应的模型来计算似然性，其指示从检测信息中提取的特征信息是正常的似然程度。确定单元106比较似然性和预先确定的阈值，并且例如当似然性等于或大于阈值时确定处理机器200执行的操作是正常的。此外，当似然性小于阈值时，确定单元106确定处理机器200执行的操作是异常的。确定单元106由例如由图3中所示的CPU 61执行的程序来实现。

存储单元107是存储诊断设备100的诊断功能所需的各种信息的功能单元。存储单元107由例如图3中的RAM 63、辅助存储设备67等来实现。

图4所示的诊断设备100中的每个功能单元(通信控制单元101、检测信息接收单元102、处理信息获取单元103、特征提取单元104、模型获取单元105和确定单元106)可以通过使得图3所示的CPU 61执行程序来实现，也就是通过软件来实现，可以通过例如IC的硬件来实现，或者可以通过软件和硬件的组合来实现。

如图4所示，学习设备300包括通信控制单元301、检测信息获取单元302(第五获取单元)、处理信息获取单元303(第四获取单元)、特征提取单元304、生成单元305、确定单元306(第二确定单元)、组合单元307、模型选择单元308(选择单元)和存储单元309。

通信控制单元301是控制与诸如诊断设备100的外部装置相通信的功能单元。通信控制单元301通过例如通信I/F 64和由图3所示的CPU 61执行的程序来实现。通信控制单元301包括发送单元301a和接收单元301b。

发送单元301a是将各种信息(例如，由诊断设备100执行的诊断过程中使用的模型)发送到诊断设备100的功能单元。接收单元301b是从诊断设备100接收各种信息的功能单元。

检测信息获取单元302是这样一种功能单元，即当生成单元305生成模型时，经由接收单元301b从诊断设备100获取与由处理信息获取单元303获取的情境信息相对应的检测信息。检测信息获取单元302通过例如由图3所示的CPU 61执行的程序来实现。

处理信息获取单元303是经由接收单元301b从诊断设备100获取情境信息(处理信息)的功能单元。处理信息获取单元303通过例如由图3所示的CPU 61执行的程序来实现。

特征提取单元304是从通过检测信息获取单元302获取的检测信息，提取由生成单元305生成模型所用的特征信息(信号处理的结果)。特征提取单元304通过例如由图3所示的CPU 61执行的程序来实现。

生成单元305是从由特征提取单元304提取的特征信息，生成与由处理信息获取单元303获取的情境信息相对应的模型的功能单元。生成单元305使用例如稍后将描述的图12所示的表将所生成的模型与情境信息和特征信息相关联，并将模型存储在存储单元309中。生成单元305由例如由图3所示的CPU61执行的程序来实现。

模型通过例如使用当处理机器200正常操作时由检测单元211检测到的检测信息进行学习来生成。可以应用任何种类的学习方法和要学习的模型的任何种类的格式。例如，可以应用诸如高斯混合模型(GMM)或隐马尔可夫模型(HMM)的模型以及对应的模型学习方法。

确定单元306是确定稍后将描述的图12中所示的表中的多条情境信息是否彼此相同或相似的功能单元。确定单元306通过例如由图3中所示的CPU 61执行的程序来实现。

组合单元307是一种功能单元，其从存储单元309读取与由确定单元306确定的各条相同或相似的情境信息相对应的多个模型，并通过组合读取到的模型来生成新模型。作为组合模型的方法，可以应用简单的平均处理，或者可以获得加权平均，使得对稍后日期生成的模型给予较小的权重以组合模型。通过获得加权平均值使得对稍后生成的模型给予较小的权重，可以减少对较早日期生成的模型即已经在诊断过程中使用的模型的影响，并且可以提高准确性。组合单元307通过例如由图3所示的CPU 61执行的程序实现。组合单元307不一定必须通过直接组合与由确定单元306确定的相同或相似的情境信息相对应的多个模型来生成新模型。例如，组合单元307可以从分别与如上确定的相同或相似情境信息相对应的多条特征信息来生成新模型。

模型选择单元308是一种功能单元，其响应于从诊断设备100的模型获取单元105接收的模型获取请求，从存储单元309中选择和读取与情境信息一起接收的情境信息相对应的模型，并且经由发送单元301a将模型发送到诊断设备100的模型获取单元105。模型选择单元308通过例如由图3所示的CPU 61执行的程序来实现。

存储单元309是在其中存储各种信息的功能单元，诸如从特征提取单元304提取的特征信息、由生成单元305生成的模型，以及其中如稍后将描述的图12所示的关联情境信息和模型的表。存储单元309通过例如图3中的RAM63、辅助存储设备67等来实现。

图4所示的学习设备300的每个功能单元(通信控制单元301、检测信息获取单元302、处理信息获取单元303、特征提取单元304、生成单元305、确定单元306、组合单元307以及模型选择单元308)可以通过使得图3所示的CPU 61执行程序来实现，即通过软件来实现，可以通过诸如IC的硬件来实现，或者可以通过软件和硬件的组合来实现。

此外，图4中示出的诊断设备100、处理机器200和学习设备300的每个功能单元在功能上是概念性的，并且不一定必须以相同的方式配置。例如，图4中示出为独立功能单元的多个功能单元可以被配置为单个功能单元。或者，

图4中的单个功能单元的功能可以被分成作为多个功能单元的多个功能。

由诊断系统执行的诊断过程

图5是示出第一实施例中的诊断过程的示例的流程图。参考图5，将描述由根据第一实施例的诊断系统1执行的诊断过程。

如上所述，处理机器200的数值控制单元201将指示处理机器200的当前操作的情境信息顺序地发送到诊断设备100。如上所述，第一接收单元101a接收从处理机器200发送的情境信息(步骤S101)。处理信息获取单元103获取由第一接收单元101a接收的情境信息。

处理机器200的检测单元211在处理时顺序地输出检测信息。如上所述，检测信息接收单元102接收从处理机器200发送的检测信息(传感器数据)(步骤S102)。

特征提取单元104从接收的检测信息中提取特征信息(步骤S103)。

模型获取单元105经由第二发送单元101d将由处理信息获取单元103获取的情境信息和模型获取请求发送到学习设备300。学习设备300的模型选择单元308响应于接收的模型获取请求，从存储单元309选择并读取与接收的情境信息相对应的模型，并且经由发送单元301a将模型发送到诊断设备100的模型获取单元105。模型获取单元105经由第二接收单元101c获取与情境信息对应的模型(步骤S104)。

确定单元106通过使用提取的特征信息和与获取的情境信息对应的模型，确定处理机器200是否正在正常操作(步骤S105)。确定单元106输出确定结果(步骤S106)。可以通过任何方法输出确定结果。例如，确定单元106可以在诊断设备100的显示设备(例如，图3中所示的显示器66b)上显示确定结果。或者，确定单元106可以将确定结果输出到外部装置。

由学习设备执行的模型生成过程

图6是示出第一实施例中的模型生成过程的示例的流程图。参考图6，将描述由根据第一实施例的学习设备300执行的模型生成过程。例如，在诊断过程之前预先执行模型生成过程。或者，可以在输入尚未确定模型的情境信息时执行模型生成过程。

第一接收单元101a接收从处理机器200发送的情境信息(步骤S201)。处理信息获取单元103获取由第一接收单元101a接收的情境信息。

检测信息接收单元102接收从处理机器200发送的检测信息(传感器数据)(步骤S202)。

如上所述接收的情境信息和检测信息用于生成模型。为每个情境信息生成模型；因此，检测信息需要与对应的情境信息相关联。因此，例如，检测信息接收单元102将接收到的检测信息与由第一接收单元101a在相同时刻接收的情境信息相关联地存储在存储单元107等中。可以将情境信息和检测信息临时存储在存储单元107等中，确认在正常操作期间获得信息，并且仅通过使用在正常操作期间获得的信息来生成模型。也就是说，可以通过使用标记为正常的检测信息来生成模型。

关于信息是否在正常操作期间获得的确认(标记)可以在将信息存储在存储单元107等中之后的任意时刻执行，或者可以在处理机器200正在操作的同时实时执行。可以通过假设信息是正常的而不执行标记来生成模型。如果假定为正常的信息实际上是异常信息，则由于生成的模型而未正确执行确定过程。可以基于信息被确定为异常的频率来区分这种情况，因此可以采取对策，例如对由错误生成的模型进行删除。此外，可以使用从异常信息生成的模型作为模型来确定异常。

处理信息获取单元103(第一发送单元)经由第二发送单元101d将获取的情境信息发送到学习设备300(步骤S203)。检测信息接收单元102(第二发送单元)经由第二发送单元101d将接收到的检测信息发送到学习设备300(步骤S203)。学习设备300的处理信息获取单元303经由接收单元301b获取从诊断设备100(处理信息获取单元103)发送的情境信息。学习设备300的检测信息获取单元302经由接收单元301b获取从诊断设备100(检测信息接收单元102)发送的检测信息。

特征提取单元304从检测信息获取单元302获取的检测信息中提取特征信息(步骤S204)。

生成单元305从由特征提取单元304提取的特征信息，生成与处理信息获取单元303获取的情境信息相对应的模型(步骤S205)。生成单元305使用例如稍后将描述的图12所示的表，将所生成的模型与情境信息和特征信息相关联，并将模型存储在存储单元309中(步骤S206)。

模型生成过程和诊断过程的详细示例

下面将描述根据第一实施例的模型生成过程和诊断过程的详细示例。图7是用于说明第一实施例中的模型生成过程和诊断过程的详细示例的示意图。

图7示出了例如处理特定组件的过程的一部分上的模型生成过程和诊断过程。在模型生成过程中，使用与情境信息串701一起接收的多个检测信息串(图7中的多个检测信息串711a至711c)。检测信息串的数量不限于三个，可以使用任意数量的检测信息串。

情境信息串701指示处理过程包括驱动四个电机(电机A、电机B、电机C和电机D)的操作。特征提取单元304从由检测信息获取单元302获取的检测信息中提取特征信息。生成单元305通过使用从对应的检测信息中提取的特征信息，为与每个电机相对应的每条情境信息生成模型。生成的模型与如稍后将描述的图12中的表所示的对应的情境信息相关联，并存储在存储单元309等中。在图7中，示出了一个示例，其中针对电机B被驱动时获得的情境信息而生成的模型(“电动B”)存储在存储单元309中。存储的模型在随后的诊断过程被提及。

在诊断过程中，类似于模型生成过程，检测信息串721与情境信息串701一起被接收。当情境信息指示“电机B被驱动”时，确定单元106通过使用例如在接收情境信息的时段期间内接收的检测信息，并使用由模型获取单元105获取并存储在存储单元309中的模型“电机B”，来确定由处理机器200执行的操作是否正常。

当接收到其他情境信息时，确定单元106类似地通过使用对应的检测信息和对应的模型来执行确定。

不必对全部情境信息进行确定。图8是用于说明对特定条情境信息执行的模型生成过程和诊断过程的详细示例的示意图。

在图8的示例中，仅当情境信息指示“电机B被驱动”时才生成模型。此外，当接收到指示“电机B被驱动”的情境信息701-2时，执行诊断过程。采用该过程，可以通过仅使用有效确定异常的检测信息来执行诊断过程。例如，当声学数据被用作检测信息时，在一些情况下，处理过程可以包括不需要确定的间隔，例如静默间隔。通过从确定目标中排除上述不必要的间隔，可以减少错误的确定和计算成本。也就是说，可以提高诊断过程的准确性和效率。

此外，即使在不同的处理过程中，例如，如果使用相同的电机等，则可以通过共享对应的模型来执行诊断过程。图9是用于说明在不同处理过程中使用共同模型的示例的示意图。

图9中的情境信息串901指示处理过程包括驱动四个电机(电机X、电机Y、电机Z和电机B)的操作。例如，电机B在该处理过程中与图7所示的处理过程共同使用。因此，即使在图9的处理过程中，确定单元106也可以通过使用存储在学习设备300的存储单元309中的相同模型“电机B”和检测信息串921来执行诊断过程。

图10是用于说明当输入未生成模型的情境信息时生成模型的操作的示意图。图10中的情境信息串1101指示处理过程包括驱动四个电机(电机X、电机C、电机D和电机B)的操作。假设尚未生成指示电机X的驱动的情境信息的模型。

在这种情况下，对于多个检测信息串中的每个(在图10中的检测信息串1111a、1111b和1111c中的每个)，特征提取单元304从与指示“电机X被驱动”的情境信息相对应的时段中的检测信息，提取特征信息。生成单元305通过使用提取的特征信息来生成与指示“电机X被驱动”的情境信息相对应的模型“电机X”，并将模型存储在存储单元309中。采用该操作，可以确定电机X被驱动的后续时段中的异常。

如上所述，从处理机器200接收指示当前操作的情境信息，并且通过使用与接收的情境信息相对应的模型来确定异常。因此，可以以高准确性识别当前操作的驱动单元并且以高准确性诊断异常。

通过学习设备的模型组合过程

图11是示出第一实施例中的模型组合过程的示例的流程图。图12是示出用于关联情境信息和模型的表的示例的示意图。参考图11和图12，将描述由根据第一实施例的学习设备300执行的模型组合过程。

如图12中所示，将由生成单元305生成的模型、特征信息和情境信息相关联的表存储在存储单元309中。在图12所示的表中，“机床编号”，“处理设备识别信息”，“处理条件”，“特征信息”和“生成的模型”彼此相关联。“机床编号”例如，是唯一表示多个机床的编号，例如图1所示的处理机器200_1、200_2、……。“处理设备识别信息”是用于识别安装在机床中的诸如数值控制机(NC机)之类的处理设备的信息。例如，“处理设备识别信息”可以是例如NC机的处理设备的型号等，。“处理条件”指示当诸如处理机器200之类的机床执行处理操作时应用的操作条件。在图12所示的示例中，“处理条件”包括“电机转速”、“钻头直径”、“钻孔材料”和“处理速度”。“特征信息”是指示例如由特征提取单元304提取的特征信息存储在存储单元309中所在的路径的信息。“生成的模型”是指示例如由生成单元305生成的模型存储在存储单元309中所在的路径的信息。在图12所示的表格中彼此关联的多条信息中，例如，“机床编号”，“处理设备识别信息”和“处理条件”被假定为被包括在由处理信息获取单元303获取的情境信息中的数条信息。

步骤S301

确定单元306参考存储在存储单元309中的表，如图12所示，并确定情境信息是否彼此相同或相似。例如，在图12所示的表中，具有“1”、“4”和“5”的“机床编号”的机床(加工机器200)是单独的机器，但具有相同的“处理条件”，例如“8000”的“电机旋转速度”、“Φ3.0”的“钻头直径”、“硬质合金”的“钻头材料”、“1250”的“处理速度”；因此，确定单元306确定这些条情境信息彼此相似。然后，过程进入步骤S302。

步骤S302

组合单元307从存储单元309，读取与被确定单元306确定为彼此相同或相似的数条情境信息中的每条情境信息相对应的模型(称为“相同或相似的内容信息”)，并通过组合读取的模型生成新模型。例如，在图12所示的示例中，确定单元306确定包括“1”、“4”和“5”的“机床编号”的数条情境信息彼此相似，因此，组合单元307读取并组合与来自存储单元309的各条情境信息相对应的模型“No1_model”、“No4_model”和“No5_model”。然后，过程进入步骤S303。

步骤S303

组合单元307将新的组合模型存储在存储单元309中。例如，组合单元307将新模型与包括在图12中所示的“1”、“4”和“5”的“机床编号”的数条情境信息相关联地存储在存储单元309中。具体地，组合单元307采用指示新模型路径的“New_model”，对与包括在图12中所示的“1”、“4”和“5”的“机床编号”的数条情境信息相对应的“No1_model”、“No4_model”和“No5_model”的“生成的模型”进行更新。然后，过程进入步骤S304。

步骤S304

在从诊断系统1中的诊断设备100的模型获取单元105接收到模型获取请求时，模型选择单元308从存储单元309中选择和读取与模型获取请求一起接收到的情境信息相对应的模型，并且经由发送单元301a将模型发送到诊断设备100的模型获取单元105。例如，当接收的情境信息与包括图12所示的“4”的“机床编号”的情境信息相匹配时，模型选择单元308将由“New_model”表示的新模型作为对应的“生成的模型”发送到模型获取单元105。

如上所述，在步骤S301至S303执行模型组合过程，并且响应于来自步骤S304的诊断设备100的请求，将对应的模型发送到诊断设备100。

如上所述，当任意条情境信息彼此相同或相似(例如，“机床编号”不同，但“处理条件”是相同的)时，学习设备300通过组合与相同或相似的情境信息对应的模型来生成新模型，该学习设备300从与情境信息相对应的检测信息生成模型并存储生成的模型。通常，当生成模型时，随着学习数据(检测信息)的数量增加，提高了用于确定异常的模型的准确性。因此，通过组合与如上所述的与相同或相似的情境信息相对应的模型，可以获得高度精确的模型。

虽然学习设备300在上述第一实施例中生成模型，但是实施例不限于该示例。诊断设备100可以具有生成模型的生成单元，并且学习设备300可以具有存储模型、组合模型以及将与所接收的情境信息相对应的模型发送到诊断设备100的功能。

第一实施例的变型1-1

在第一实施例中，已经描述了一个示例，其中当例如“机床编号”和“处理设备识别信息”不同，但“处理条件”相同，作为用于确定情境信息相同或相似以便组合模型的条件时，确定情境信息彼此相似。在变型1-1中，将描述用于确定数条情境信息相同或相似的条件的类型。

例如，即使“机床编号”，当“处理设备识别信息”和“处理条件”相同时，确定单元306可以确定数条情境信息彼此相似。例如，在图12所示的表中，具有“1”和“5”的“机床编号”的机床(处理机器200)是单独的机器，但具有相同的“A型”的“处理设备识别信息”和相同的“处理条件”；因此，确定单元306可以确定这些条情境信息彼此相似。采用该操作，与如上所述在第一实施例中的信息是否相同或相似的确定方法相比，另外使用“处理设备识别信息”是否相同作为相似因子；因此，可以获得更准确的模型。

此外，确定单元306可以设定用于确定数条情境信息的相似度的阈值，如果“处理条件”中的至少一些值处于由阈值定义的预定范围内，确定单元306可以确定数条情境信息彼此相似。在实际的处理操作中，例如，相对于“电机转速”和“处理速度”，负载根据待处理的材料稍微改变。例如，即使“电机转速”设定为8000，实际上也可能出现几个百分点的误差。因此，在确定单元306关于数条信息是相同还是相似的确定中，允许“处理条件”的值的特定差异，以便不依赖于那时的机床的处理操作的状态。例如，如果上述“电机转速”的容许范围设定为±1[％]，则预定范围是7920至8080；因此，确定具有预定范围内的值的数条情境信息彼此相似。

同时，如果“处理条件”中的所有值都在由阈值定义的预定范围内，或者，如果“处理条件”中的一些值在预定范围中并且“处理条件”中的其他值相同，确定单元306可以确定数条情境信息彼此相似。此外，即使“处理条件”中的任何值不相同，如果“处理条件”中对处理操作状态具有大的影响的特定值(例如，“电机转速”、“处理速度”等，如图12所示))在预定范围中，则确定单元306可以确定数条情境信息彼此相似。

采用如上所述使用阈值的确定方法，可以将包括“处理条件”中可能出现误差的值的数条情境信息确定为相似信息。因此，通过组合与数条相似情境信息对应的模型，可以获得更准确的模型。

此外，当“处理条件”中的预定数量的值或更多值相同时，确定单元306可以确定数条情境信息彼此相似。例如，在图12所示的表格中，当“处理条件”中的“钻头直径”和“电机转速”相同时，确定单元306可以确定数条情境信息彼此相似。如在如上所述的确定方法中，通过确定“处理条件”中的对于处理操作的状态具有大的影响的值是否相同，并且通过组合与相似的情境信息相对应的模型，能够获得更准确的模型。

此外，当“处理设备标识信息”相同时，确定单元306可以确定数条情境信息彼此相似。例如，在图12所示的表格中，在包括“1”、“4”和“5”的“机床编号”的数条情境信息当中，与“1”和“5”相关联的“处理设备识别信息”是相同的，但与“1”和“4”相关联的“处理设备识别信息”是不同的；在这种情况下，确定单元306可以确定包括“1”和“5”的“机床编号”的数条情境信息彼此相似。采用如上所述的确定方法，通过估计当“处理设备识别信息”相同时可以获得相似的特征信息，并且通过组合与数条相似情境信息相对应的模型，可以获得更准确的模型。该确定方法是其中“处理条件”不用作情境信息的相似性因子的方法的示例。

此外，当与数条情境信息相对应的数条特征信息彼此相似时，确定单元306可以确定数条情境信息彼此相似。也就是说，即使当在不同位置获取数条检测信息时，如果对应的数条特征信息彼此相似，则可以估计电机声音彼此相似。该确定方法是其中“处理条件”不用作情境信息的相似性因子的示例。

此外，当数条情境信息的“处理设备识别信息”相同并且对应的数条特征信息彼此相似时，确定单元306可以确定数条情境信息彼此相似。该确定方法是其中“处理条件”不用作情境信息的相似性因子的示例。

采用上述类型的确定方法，可以确定数条情境信息是否彼此相似。如果确定单元306通过如上所述的确定方法确定数条情境信息彼此相同或相似，则组合单元307从存储单元309中读取与数条相同或相似的情境信息相对应的模型，并且如第一实施例中所述通过组合所读取模型来生成新模型。

第一实施例的变型1-2

在第一实施例中，已经描述了这样的操作，其中每当获取情境信息和检测信息时，将从处理机器200获取的情境信息和检测信息发送到学习设备300。在变型1-2中，将描述这样的操作，其中仅首先将情境信息发送到学习设备300，并且学习设备300基于所接收的情境信息来确定是否有必要获取对应的检测信息。

由诊断设备发送检测信息的操作

图13是示出根据第一实施例的变型1-2的发送由学习设备确定为必要的传感器数据的操作的示例的流程图。参考图13，将描述根据变型1-2的诊断设备100发送检测信息的操作。

步骤S401

诊断设备100的第一接收单元101a接收从处理机器200发送的情境信息。诊断设备100的处理信息获取单元103获取由第一接收单元101a接收的情境信息。然后，过程进入步骤S402。

步骤S402

诊断设备100的检测信息接收单元102接收从处理机器200发送的检测信息(传感器数据)。然后，过程进入步骤S403。

步骤S403

处理信息获取单元103(第一发送单元)经由第二发送单元101d将获取的情境信息发送到学习设备300。学习设备300的处理信息获取单元303经由接收单元301b获取从诊断设备100(处理信息获取单元103)发送的情境信息。然后，过程进入步骤S404。

步骤S404

基于由处理信息获取单元303获取的情境信息和在存储单元309中存储的情境信息(例如，与图12所示的表格中的特征信息和模型相关联的情境信息(“机床编号”、“处理设备识别信息”和“处理条件”))，学习设备300的确定单元306确定是否需要获取与由处理信息获取单元303获取的情境信息相对应的检测信息并生成或组合模型。

具体地，例如，确定单元306确定是否已经生成了与由处理信息获取单元303获取的情境信息相对应的模型并将其存储在存储单元309中。此外，例如，确定单元306确定是否有必要将模型与对应于情境信息的模型相组合，该情境信息与由处理信息获取单元303获取的情境信息相同或相似。作为确定单元306确定是否有必要生成或组合模型的标准，例如，确定由处理信息获取单元303获取的情境信息中包括的处理条件是否是在社会中广泛使用的处理条件。如果处理条件没有被广泛使用，则学习设备300不需要接收与情境信息相对应的检测信息，并且不需要生成模型。如果广泛使用该处理条件，则学习设备300接收与情境信息相对应的检测信息，并将模型与对应于相同或相似情境信息的模型进行组合，从而可以提高模型的准确性。然后，过程进入步骤S405。

步骤S405

在确定需要生成或组合模型时，确定单元306请求诊断设备100发送与由处理信息获取单元303获取的情境信息相对应的检测信息。然后，过程进行到步骤S406。

步骤S406

检测信息接收单元102(第二发送单元)经由第二发送单元101d将接收到的检测信息发送到学习设备300。学习设备300的检测信息获取单元302经由接收单元301b获取从诊断设备100(检测信息接收单元102)发送的检测信息。

通过如上所述的步骤S401至S406的操作，根据变型1-2的诊断设备100执行发送检测信息的操作。生成和组合模型的后续操作与参考图6和图11在第一实施例中描述的操作相同。

如上所述，在变型1-2中，仅首先将情境信息发送到学习设备300。学习设备300基于所接收的情境信息确定是否需要获取对应的检测信息，仅在需要时接收检测信息，然后生成或组合模型。通过该操作，当学习设备300不需要获取检测信息时，诊断设备100不需要经由网络2将检测信息发送到学习设备300，从而可以减少在诊断设备100和学习设备300之间的不必要的通信量。

第二实施例

关于根据第二实施例的诊断系统，将主要描述与第一实施例的诊断系统1的不同。在第一实施例中，已经描述了这样的操作，其中当诊断设备100经由网络2将情境信息和检测信息发送到学习设备300时，情境信息和检测信息按原样发送。然而，在一些情况下，发送到学习设备300的情境信息或检测信息可以包括处理机器200的例如制造商的客户想要隐藏的信息。在第二实施例中，将描述这样的操作，其中当诊断设备100经由网络2将情境信息和检测信息发送到学习设备300时，情境信息和检测信息被加密然后被发送。第二实施例中的诊断系统的整体配置和处理机器、诊断设备和学习设备的硬件配置与第一实施例中描述的相同。

功能块配置和诊断系统的操作

图15是用于说明第二实施例中的加密的示例的示意图。图16是用于说明第二实施例中的加密的另一示例的示意图。图17是用于说明第二实施例中的加密的又一个示例的示意图。图18是示出用于设定情境信息的元素的组合的屏幕的示例的示意图。参考图14至图18，将描述根据第二实施例的诊断系统和处理机器200的功能块配置和操作。处理机器200的功能块配置和操作与第一实施例中描述的配置和操作相同。

如图14所示，诊断设备100a包括通信控制单元101、检测信息接收单元102(第二获取单元)、处理信息获取单元103(第一获取单元)、特征提取单元104、模型获取单元105(第三获取单元)、确定单元106(第一确定单元)、存储单元107、散列单元108、加密单元109、显示控制单元110、显示单元111和输入单元112。由通信控制单元101、检测信息接收单元102、处理信息获取单元103和存储单元107执行的操作与第一实施例中描述的操作相同。

散列单元108是通过将散列函数应用于由处理信息获取单元103获取的情境信息来执行散列化以获得散列值的功能单元。散列化是不可逆加密过程并且是数据隐藏处理的示例。

例如，如图15所示，散列单元108可以对情境信息的元素中的每个(“旋转频率200Hz”、“电机A被驱动”、“机床类型A”和“对20厘米铝管的处理”)执行散列化，并获得散列值。在这种情况下，可以对元素的散列值中的每个进行分类，并将类别与检测信息相关联。或者，如图16所示，散列单元108可以共同对情境信息进行散列化并获得单个散列值。又或者，如图17所示，散列单元108可以对于情境信息的元素的每个具体组合执行散列化并获得散列值。在这种情况下，可以对可以使用的情境信息的元素的组合中的每个进行分类，并且将类别与检测信息相关联。

还可以允许管理员通过使用如图18所示的设定屏幕，如上所述的图17中所示设定情境信息的元素的特定组合。例如，稍后将描述的显示控制单元110响应于对输入单元112的操作，在显示单元111上显示如图18所示的设定屏幕，以允许管理员通过使用输入单元112的选择操作自由地选择情境信息的元素的组合。在图18中，例如，如果管理员通过使用输入单元112的选择操作选择并设定“旋转频率/电机是相同的”和“电机是相同的”，则散列单元108对在情境信息的元素中的旋转频率的元素和电机的元素的组合执行散列化，并且仅对电机的元素执行散列化。

散列单元108通过例如由图3所示的CPU 61执行的程序来实现。

加密单元109是对由检测信息接收单元102接收的检测信息进行加密的功能单元。加密是数据隐藏处理的一个示例。加密单元109通过例如由图3所示的CPU 61执行的程序来实现。

特征提取单元104是一种功能单元，其从由加密单元109加密的检测信息中提取由确定单元106执行的确定所使用的特征信息。特征提取单元104通过例如由图3所示的CPU61执行的程序来实现。

模型获取单元105是经由第二接收单元101c从学习设备300a获取用于由确定单元106执行的确定操作所使用的模型的功能单元。具体地，模型获取单元105经由第二发送单元101d将由散列单元108进行散列化的情境信息和模型获取请求发送到学习设备300a。在接收到模型获取请求时，学习设备300a从存储单元309读取与接收的经散列的情境信息对应的模型，并经由发送单元301a将模型发送到诊断设备100a的模型获取单元105。模型获取单元105通过例如由图3所示的CPU 61执行的程序来实现。

确定单元106是如下的功能单元，其通过使用由特征提取单元104提取的特征信息并且通过使用一种模型来确定由处理机器200执行的操作是否正常，该模型与由散列单元108进行散列的情境信息相对应并且由模型获取单元105获取。例如，确定单元106请求特征提取单元104从由加密单元109加密的检测信息中提取特征信息。确定单元106通过使用对应的模型来计算指示从加密的检测信息中提取的特征信息是正常的似然性程度的似然性。确定单元106比较似然性和预先确定的阈值，并且例如当似然性等于或大于阈值时确定由处理机器200执行的操作是正常的。此外，当似然性小于阈值时，确定单元106确定由处理机器200执行的操作是异常的。确定单元106通过例如由图3中所示的CPU 61执行的程序来实现。

显示控制单元110是控制由显示单元111执行的显示操作的功能单元。显示控制单元110通过例如由图3所示的CPU 61执行的程序来实现。

显示单元111是在显示控制单元110的控制下显示各种信息的功能单元。显示单元111通过例如图3所示的显示器66b来实现。

输入单元112是执行诸如字符、数字等的输入，各种指令的选择以及光标的移动的操作的功能单元。输入单元112通过例如图3中所示的输入设备66a来实现。

图14所示的诊断设备100a的功能单元(通信控制单元101、检测信息接收单元102、处理信息获取单元103、特征提取单元104、模型获取单元105、确定单元106、散列单元108、加密单元109和显示控制单元110)中的每个功能单元可以通过使得图3所示的CPU 61执行程序来实现，也就是通过软件来实现，可以通过例如IC的硬件来实现，或者可以通过软件和硬件的组合来实现。

如图14所示，学习设备300a包括通信控制单元301、检测信息获取单元302a(第五获取单元)、处理信息获取单元303a(第四获取单元)、特征提取单元304a、生成单元305a、确定单元306a(第二确定单元)、组合单元307a、模型选择单元308a(选择单元)和存储单元309。由通信控制单元301和存储单元309执行的操作与第一实施例中描述的操作相同。

检测信息获取单元302a是如下的功能单元，其当生成单元305a生成模型时经由接收单元301b从诊断设备100a获取检测信息，该检测信息与由处理信息获取单元303a获取的散列情境信息相对应并且由加密单元109加密。检测信息获取单元302a将所获取的加密检测信息(传感器数据)与散列情境信息(散列值)相关联，如在例如稍后将描述的图20中所示的表中，并且该检测信息获取单元302a将检测信息存储在存储单元309中。检测信息获取单元302a通过例如由图3所示的CPU 61执行的程序来实现。

处理信息获取单元303a是经由接收单元301b获取由散列单元108进行散列的情境信息(处理信息)的功能单元。处理信息获取单元303a通过例如由图3所示的CPU 61执行的程序来实现。

特征提取单元304a是如下的功能单元，其从由检测信息获取单元302a获取的加密检测信息中提取用于生成单元305a生成模型所使用的特征信息。也就是说，特征提取单元304a在不解密加密的检测信息的情况下提取特征信息。特征提取单元304a通过例如由图3所示的CPU 61执行的程序来实现。

生成单元305a是如下的功能单元，其从由特征提取单元304a提取的特征信息，生成与由处理信息获取单元303a获取的散列情境信息(散列值)相对应的模型。生成单元305a将所生成的模型与散列情境信息(散列值)相关联，例如稍后将描述的图21中所示的表中，并且将模型存储在存储单元309中。生成单元305a例如由图3所示的CPU 61执行的程序如在来实现。生成模型的方法与上述第一实施例中描述的方法相同。

确定单元306a是确定稍后将描述的图21中所示的表中的散列值(散列情境信息)是否彼此相同或相似的功能单元。确定单元306a通过例如由图3中所示的CPU 61执行的程序来实现。

组合单元307a是如下的功能单元，其从存储单元309读取与由确定单元306a确定的相同或相似的散列值相对应的多个模型，并且通过组合所读取的模型来生成新模型。组合模型的方法与上述第一实施例中描述的方法相同。组合单元307a不一定必须通过直接组合与由确定单元306a确定的相同或相似散列值相对应的模型来生成新模型。例如，组合单元307a可以从与如上确定的相同或相似散列值相对应的多条加密检测信息中提取的多条特征信息中，生成新模型。

模型选择单元308a是如下的功能单元，其响应于与散列值一起接收的模型获取请求，从存储单元309中选择和读取与从诊断设备100a的模型获取单元105接收的散列值相对应的模型，并且经由发送单元301a将模型发送到诊断设备100a的模型获取单元105。模型选择单元308a通过例如由图3所示的CPU 61执行的程序来实现。

图14所示的学习设备300a的功能单元(发送单元301a、检测信息获取单元302a、处理信息获取单元303a、特征提取单元304a、生成单元305a、确定单元306a、组合单元307a、模型选择单元308a和存储单元309)中的每个功能单元可以通过使得图3所示的CPU 61执行程序来实现，也就是通过软件，可以通过硬件来实现，例如IC，或者可以通过软件和硬件的组合来实现。

此外，图14中所示的诊断设备100a、处理机器200和学习设备300a的功能单元中的每个功能在功能上是概念性的，并且不一定必须以相同的方式配置。例如，图14中示出为独立功能单元的多个功能单元可以被配置为单个功能单元。或者，图14中的单个功能单元的功能可以被分成作为多个功能单元的多个功能。

通过诊断设备发送检测信息的操作

图19是示出第二实施例中的加密和发送情境信息和传感器数据的操作的示例的流程图。图20是示出用于将散列值与传感器数据相关联的表的示例的示意图。图21是示出用于将散列值与模型相关联的表的示例的示意图。参考图19至图21，将描述根据第二实施例的由诊断设备100a执行的加密检测信息的发送操作和由学习设备300执行的模型生成过程。

第一接收单元101a接收从处理机器200发送的情境信息(步骤S501)。处理信息获取单元103获取由第一接收单元101a接收的情境信息。

检测信息接收单元102接收从处理机器200发送的检测信息(传感器数据)(步骤S502)。

散列单元108通过将散列函数应用于由处理信息获取单元103获取的情境信息来执行散列以获得散列值(步骤S503)。散列单元108可以依赖于条件从情境信息获得多个散列值。获得散列值的方法如上所述。

加密单元109对由检测信息接收单元102接收的检测信息进行加密(步骤S504)。

处理信息获取单元103(第一发送单元)经由第二发送单元101d将由散列单元108执行的散列获得的散列值发送到学习设备300a(步骤S505)。检测信息接收单元102(第二发送单元)经由第二发送单元101d将由加密单元109加密的检测信息发送到学习设备300a(步骤S505)。学习设备300a的处理信息获取单元303a经由接收单元301b获取从诊断设备100a(处理信息获取单元103)发送的散列情境信息。学习设备300a的检测信息获取单元302a经由接收单元301b获取从诊断设备100a(检测信息接收单元102)发送的加密检测信息。检测信息获取单元302a将获取的加密检测信息(传感器数据)与散列情境信息(散列值)相关联，如例如图20所示的表，并将检测信息存储在存储单元309中。

特征提取单元304a从由检测信息获取单元302a获取的加密检测信息中提取要由生成单元305a生成模型所使用的特征信息。

生成单元305a从由特征提取单元304a提取的特征信息，生成与由处理信息获取单元303a获取的散列情境信息(散列值)相对应的模型。生成单元305a将生成的模型与散列情境信息(散列值)相关联，如例如图21所示的表，并将模型存储在存储单元309中。

同时，尽管图21中示出的所有散列值彼此不同，但是散列值和存储在表中的模型不需要具有一对一的关系，而是可以以多对多的关系进行存储。例如，即使当散列值相同时(即，情境信息的元素相同)，对应的检测信息在每种情况下都不同，并且生成的模型在每种情况下也是不同的。在这种情况下，多个模型与单个散列值相关联，并且可以经受下面描述的模型组合过程。

由学习设备执行的模型组合过程

图22是示出第二实施例中的模型组合过程的示例的流程图。参考图22，将描述由根据第二实施例的学习设备300a执行的模型组合过程。假设由生成单元305a生成的模型和散列值如图21所示进行关联的表存储在存储单元309中。

步骤S601

确定单元306a参考存储在存储单元309中的表，如图21所示，并确定任何散列值(任何散列的情境信息)是否彼此相同或相似。如果通过使用特定散列函数的散列化获得的散列值具有这样的特性，使得当情境信息的原始值仅彼此略微不同时散列值彼此完全不同，很难确定散列值之间的相似性；因此，在这种情况下，足以确定任何散列值是否彼此相同。然后，过程进入步骤S602。

步骤S602

组合单元307a从存储单元309读取与由确定单元306a确定的相同或类似的散列值中的每个散列值相对应的模型，并通过组合所读取的模型来生成新模型。然后，过程进入步骤S603。

步骤S603

组合单元307a将新的组合模型存储在存储单元309中。然后，过程进入步骤S604。

步骤S604

在从诊断设备100a的模型获取单元105接收模型获取请求时，模型选择单元308a从存储单元309中选择和读取对应于与模型获取请求一起接收的散列值的模型，并且经由发送单元301a将模型发送到诊断设备100a的模型获取单元105。

如上所述，在步骤S601至S603执行模型组合过程，并且响应于来自步骤S604的诊断设备100a的请求，将对应的模型发送到诊断设备100a。

由诊断系统执行的诊断过程

图23是示出第二实施例中的诊断过程的示例的流程图。参考图23，将描述由第二实施例中的诊断系统执行的诊断过程。

如上所述，处理机器200的数值控制单元201将指示当前操作的情境信息顺序地发送到诊断设备100a。如上所述，第一接收单元101a接收从处理机器200发送的情境信息(步骤S701)。处理信息获取单元103获取由第一接收单元101a接收的情境信息。

处理机器200的检测单元211在处理的时候顺序地输出检测信息。如上所述，检测信息接收单元102接收从处理机器200发送的检测信息(传感器数据)(步骤S702)。

加密单元109对检测信息接收单元102接收的检测信息进行加密。特征提取单元104从由加密单元109加密的检测信息中提取特征信息(步骤S703)。

散列单元108通过将散列函数应用于由处理信息获取单元103获取的情境信息来执行散列化以获得散列值。模型获取单元105经由第二发送单元101d将由散列单元108进行散列化的情境信息(散列值)和模型获取请求发送到学习设备300a(步骤S704)。在接收到模型获取请求时，学习设备300a从存储单元309读取与接收的散列情境信息相对应的模型，并经由发送单元301a将模型发送到诊断设备100a的模型获取单元105。模型获取单元105经由第二接收单元101c获取与散列值相对应的模型(步骤S705)。

确定单元106通过使用由特征提取单元104提取的特征信息和如下的模型来确定处理机器200是否正在正常操作，该模型与由散列单元108进行散列化的情境信息相对应并且由模型获取单元105来获取(步骤S706)。确定单元106输出确定结果(步骤S707)。可以通过任何方法输出确定结果。例如，确定单元106可以在诊断设备100a的显示设备上显示确定结果(例如，图3中所示的显示器66b)。或者，确定单元106可以将确定结果输出到外部装置。

如上所述，在从处理机器200接收到情境信息和检测信息时，诊断设备100a将通过对情境信息执行散列而获得的散列值和加密的检测信息发送到学习设备300a。学习设备300a从加密的检测信息生成模型，并将模型与散列值相关联地存储。通过该操作，即使在发送到学习设备300a的检测信息和情境信息中包括机密信息时，由于在散列和加密之后发送情境信息和检测信息，因此可以确保信息的安全性。散列单元108可以对情境信息的元素的特定组合中的每个组合执行散列化并获得散列值。在这种情况下，可以对可以使用的情境信息的元素的组合中的每个组合进行分类，并且将类别与检测信息相关联。此外，在学习设备300a中，特征提取单元304a提取特征信息，并且生成单元305a从特征信息生成模型，而不解密所接收的加密检测信息。采用该操作，可以减轻解密信息的过程的负担。

尽管在上述实施例中将情境信息和检测信息描述为用于隐藏处理(散列和加密)的目标，但是目标不限于该示例。例如，如果仅情境信息包括需要隐藏的信息，则可以不加密检测信息。

第三实施例

关于根据第三实施例的诊断系统，将主要描述与第一实施例的诊断系统1的不同。在第一实施例中，通过使用单种检测信息来确定处理机器200的操作是正常还是异常。然而，用于确定的检测信息的种类的数量不限于一种，并且可以使用两种或更多种检测信息。根据第三实施例的诊断系统通过使用多种检测信息来确定处理机器200的异常。第三实施例中的诊断系统的整体配置和处理机器、诊断设备和学习设备的硬件配置与第一实施例中描述的相同。

功能块配置和诊断系统的操作

图24是示出根据第三实施例的诊断系统的功能块配置的示例的示意图。参考图24，将描述根据第三实施例的诊断系统和处理机器200的功能块配置和操作。处理机器200和学习设备300的功能块配置和操作与第一实施例中描述的配置和操作相同。

如图24所示，诊断设备100b包括通信控制单元101、检测信息接收单元102(第二获取单元)、处理信息获取单元103(第一获取单元)、特征提取单元104、模型获取单元105a(第三获取单元)、确定单元106a(第一确定单元)和存储单元107。

在第三实施例中，模型获取单元105a和确定单元106a的功能与第一实施例的功能不同。其他结构和功能与图4的框图所示的第一实施例的诊断设备100相同；因此，相同的部件以相同的符号表示，并且不再重复相同的说明。

模型获取单元105a是从学习设备300经由第二接收单元101c获取由确定单元106a执行的确定操作中使用的模型的功能单元。具体地，模型获取单元105a经由第二发送单元101d将由处理信息获取单元103获取的情境信息的多个元素和模型获取请求发送到学习设备300。在接收到模型获取请求时，学习设备300从存储单元309中读取与所接收的情境信息的各个元素相对应的模型，并且经由发送单元301a将模型发送到诊断设备100b的模型获取单元105a。模型获取单元105a通过例如由图3中所示的CPU 61执行的程序来实现。

确定单元106a是通过使用多条检测信息来确定由处理机器200执行的操作是否正常的功能单元。例如，确定单元106a根据情境信息来改变用于确定所使用的检测信息。确定单元106a通过例如由图3中所示的CPU 61执行的程序来实现。

诊断过程的详细示例

图25是用于说明根据第三实施例的处理的详细示例的示意图。在图25的示例中，接收情境信息串1201和多种检测信息串1221a和1221b。检测信息串1221a例如是声学数据。检测信息串1221b例如是加速度数据。

当一条情境信息指示“电机A被驱动”时，确定单元106a通过使用从检测信息1222b中提取的特征信息来执行确定，该检测信息1222b是在检测信息串1221b中，在对应于该条情境信息的时段中获得。在这种情况下，确定单元106a使用与情境信息相对应的模型“电机A”，并且模型“电机A”由模型获取单元105a从学习设备300的存储单元309a-2中的模型DB_加速度来获取。

当一条情境信息指示“电机B被驱动”时，确定单元106a通过使用从某条检测信息1222a中提取的特征信息来执行确定，该检测信息1222a在检测信息串1221a中，在对应于该条情境信息的时段中获得。在这种情况下，确定单元106a使用对应于该条情境信息的模型“电机B”，并且模型“电机B”由模型获取单元105a从学习设备300的存储单元309b-2中的模型DB_声学获取。

例如，可以通过使用存储在存储单元107中的对应信息来确定与情境信息相对应的检测信息。图26是示出用于确定检测信息的对应关系信息的数据结构的示例的示意图。对应关系信息包括例如传感器数据和情境信息。确定单元106a可以通过参考如上所述的对应关系信息来确定与该条情境信息相对应的检测信息。

当然可以将第二实施例中描述的隐藏处理应用于第三实施例的诊断系统。

下面将描述适用于上述实施例的变型。在以下描述中，假设诊断系统是根据第一实施例的诊断系统1。

第一变型

情境信息串仅指示特定驱动单元212被驱动的间隔，在一些情况下，可能难以精确提取例如工具被驱动单元212驱动以进行旋转并与材料接触以执行处理的实际处理间隔。也就是说，在一些情况下，可以降低异常确定的准确性。

图27是示出情境信息和处理间隔之间的关系的示例的示意图。情境信息1501指示电机B被驱动。如果仅使用情境信息1501，则例如，在特定的检测信息中指定与波形间隔1512相对应的检测信息。然而，实际处理材料的间隔对应于波形间隔1511。例如，如果声学数据被用作检测信息，则波形间隔1511对应于当工具与材料接触并且生成声音时检测到的声学数据的间隔。

因此，在第一变型中，基于情境信息和检测信息的组合来指定实际处理间隔。具体地，确定单元106基于所接收的检测信息确定在由接收的情境信息指定的特定时段中用于确定所使用的时段，并且在所确定的时段中通过使用检测信息和模型来执行确定。

例如，确定单元106通过指定检测信息的特性改变时的时间来获得处理间隔。图28是示出指定处理间隔的方法的示例的示意图。在图28的示例中，确定单元106指定检测信息的幅度改变为超过阈值(例如，“a”和“-a”)时的时间1601，以及幅度改变为低在阈值以下时的随后的时间1602。确定单元106提取在时间1601和时间1602之间的间隔1611。确定单元106通过使用从在间隔1611中的检测信息提取的特征信息来执行确定。采用该操作，可以通过使用在与实际处理间隔相对应的间隔中的检测信息来以更高的准确性执行确定。

第二变型

如上所述，为了确定操作是正常还是异常，可以使用似然性本身的值或指示似然性的变化的值。在第二变型中，将描述使用指示似然性的变化的值的示例。作为指示似然性的变化的值，例如，可以使用似然性的分布。例如，通过下面的等式(1)计算间隔X中的似然性的分布。n_X是间隔X中的帧数，k是帧索引，x_i是帧i的似然性(帧似然)，μ_X是间隔X中的帧似然的平均值。该帧对应于计算可能性的单位间隔。

此外，基于等式(1)所示的分布获得的得分值可以用于确定。例如，由下面的等式(2)指示的确定值r(k)可以用于确定。

r(k)＝V_S(k)/V_L(k) (2)

S和L指示间隔X的类型。S表示短间隔，L表示长间隔。V_S(k)表示通过等式(1)对短间隔计算的值。V_L(k)表示通过等式(1)对长间隔计算的值。关于S和L中的每一个，计算n_S和μ_S，以及n_L和μ_L，它们是对应于n_X和μ_X的值。

图29是示出似然性与确定值r(k)之间的关系的示例的图。在比较似然性和阈值的确定方法中，如果阈值被设定为例如0.97，则确定操作在200到300帧中是正常的。相反，在比较确定值r(k)和阈值(例如，1.0)的方法中，可以检测200到300帧中的似然性的变化并且确定操作是异常的。

第三变型

除了通过比较似然性和阈值来确定操作是正常还是异常之外，确定单元106可以确定并输出似然性的瞬时变化。例如，如果使用用于正常操作的单个模型，则确定单元106可以将计算的似然性存储在存储单元107等中并获得似然性的变化(似然性是否随时间减小等)。

图30是示出似然性的时间变化的示例的示意图。确定单元106可以通过例如将执行确定所在的时间和似然性进行存储，来获得似然性的时间变化。类似于上述实施例，当似然性降低到阈值以下时，确定单元106确定操作是异常的。确定单元106可以进一步获得并输出指示似然性的时间变化的信息，似然性可能降低于阈值的估计时间，等等。

第四变型

确定单元106可以通过使用多个阈值来确定质量的程度(等级或级别)。图31和图32是用于说明使用多个阈值的示例的示意图。附图示出了使用四个阈值(阈值1到阈值4)的示例；然而，阈值的数量不限于四个。

在图31中，示出了基于相对于四个阈值的幅度关系将质量等级划分为五个等级R1至R5的示例。确定单元106通过比较每个阈值和似然度来确定并输出质量等级。质量等级可以用作例如指示由处理机器200处理的对象(处理对象)的质量的信息(质量信息)。

在图32中，示出了如下示例，其中基于相对于四个阈值的幅度关系，操作是否正常(没有问题)，需要注意，或操作是否异常(等于或低于质量标准)。正常级别进一步分为两个级别L11和L12。类似地，谨慎级别进一步分为两个级别L21和L22。级别中的每个级别可以进一步划分为三个或更多个级别。

第五变型

确定单元106可以通过使用根据质量等级确定的多个模型来计算多个似然性，并且除了确定操作是正常还是异常之外，还可以确定正常操作的质量等级。图33-1至图33-3是用于说明根据第五变型的确定方法的示意图。

图33-1、图33-2和图33-3示出了由用于分别确定质量等级R1、R2和R3的模型计算的似然性的示例。例如，质量等级R1指示当在瞬时变化的早期时段1中确定操作正常时获得的质量。质量等级R2指示例如当在瞬时变化的中间时段2中确定操作正常时获得的质量。例如，质量等级R3表示当在瞬时变化的后期3中确定操作正常时获得的质量。

确定单元106通过使用与如上所述的各个质量等级相对应的多个模型来计算多个似然性。通常，由模型中任何一个获得的似然性超过阈值。确定单元106确定由用于计算超过阈值的似然性的模型指示的质量等级，并输出质量等级作为确定结果。如果即使通过使用所有模型，似然性能性也不超过阈值，则确定单元106确定操作异常。

可以对于各个质量等级预先生成多个模型。根据第五变型，除了简单地确定操作是正常还是异常之外，还可以确定质量等级。此外，可以确定对应于当前时间的瞬时变化的时段。

第六变型

确定单元106可以根据经过的时间，通过改变待使用的多个模型来执行确定。图34-1至图34-3是用于说明根据第六修改的确定方法的示例的示意图。

图34-1、图34-2和图34-3示出了分别通过对于时段1、时段2和时段3生成的模型计算的似然性的示例。时段1、时段2和时段3分别对应于瞬时变化的早期时段、中间时段和后期时段。可以通过使用对应时段中的检测信息来预先生成模型。

例如，确定单元106通过使用用于指定时段的诸如累积使用时间的情境信息来确定待使用的时段和对应的模型。确定单元106通过使用所确定的模型来确定操作是正常还是异常。根据第六变型，可以确定当前状态是对应于适当的瞬时变化(正常状态)还是偏离适当的瞬时变化(异常状态)。

第七变型

确定单元106可以通过使用从根据质量等级确定的多个模型中指定的模型来执行确定。例如，如果请求更高质量的处理对象，则确定单元106使用针对高质量等级而确定的模型。如果请求正常质量的处理对象，则确定单元106使用针对比高质量等级低的质量等级而确定的模型。可以通过使用例如由第一接收单元101a等接收的情境信息来确定待使用的模型。

由如上所述的实施例和变型中的诊断设备和学习设备执行的程序通过预先合并在ROM等中来分发。

由如上所述的实施例和变型中的诊断设备和学习设备执行的程序可以通过以可安装在计算机或计算机可执行文件格式被记录在计算机可读记录介质中而被提供为计算机程序产品，该计算机可读介质例如是光盘只读存储器(CD-ROM)、软盘(FD)、可记录光盘(CD-R)或数字多功能光盘(DVD)。

此外，由如上所述的实施例和变型中的诊断设备和学习设备执行的程序可以存储在连接到诸如因特网的网络的计算机中，并且通过经由网络下载来提供。此外，可以经由诸如因特网的网络提供或分发由如上所述的实施例和变型中的诊断设备和学习设备执行的程序。

此外，由如上所述的实施例和变型中的诊断设备和学习设备执行的程序具有包括上述功能单元的模块结构。作为实际硬件，CPU(处理器)从ROM读取并执行程序，从而将上述功能单元加载到主存储设备上并在主存储设备上生成。

附图标记列表

1、1_1、1_2 诊断系统

2 网络

51 CPU

52 ROM

53 RAM

54 通信I/F

55 驱动控制电路

56 电机

57、57_1、57_2 传感器

58 总线

61 CPU

62 ROM

63 RAM

64 通信I/F

65 传感器I/F

66输入输出I/F

66a 输入设备

66b 显示器

67 辅助存储设备

68 总线

100、100a、100b、100_1、100_2 诊断设备

101 通信控制单元

101a 第一接收单位

101b 第一发送单元

101c 第二接收单元

101d第二发射单元

102 检测信息接收单元

103 处理信息获取单元

104 特征提取单元

105、105a 模型获取单元

106、106a 确定单元

107 存储单元

108 散列单元

109 加密单元

110 显示控制单元

111 显示单元

112输入单元

200、200_1、200_2 加工机器

201 数值控制单元

202 通信控制单元

203 驱动控制单元

204 驱动单元

211 检测单元

300、300a 学习设备

301 通信控制单元

301a 发送单元

301b 接收单元

302、302a检测信息获取单元

303、303a 处理信息获取单元

304、304a 特征提取单元

305、305a 生成单元

306、306a 确定单元

307、307a 组合单元

308、308a 模型选择单元

309、309a_2、309b_2 存储单元

701、701-2 情境信息

711a-711c检测信息

721 检测信息

901 情境信息

921 检测信息

1101 情境信息

1111a-1111c 检测信息

1201 情境信息

1221a、1221b 检测信息

1501情境信息

1511、1512 波形间隔

1601、1602 时间

1611 间隔

引文列表

专利文献

专利文献1：日本专利No.5363927

Claims

1.一种诊断系统，其特征在于，所述诊断系统包括：

诊断设备，其确定由目标设备执行的操作是否正常；以及

学习设备，其存储用于由所述诊断设备执行的确定操作的模型，其中

所述诊断设备包括

第一获取单元，其被配置为从所述目标设备获取在针对由所述目标设备执行的各种操作确定的多条情境信息当中的与当前操作相对应的情境信息，所述情境信息包括用于识别所述目标设备的处理设备的识别信息和指示处理条件的信息；

第二获取单元，其被配置为获取从检测单元输出的检测信息，所述检测单元检测根据由所述目标设备执行的操作而变化的物理量；

第一发送单元，其被配置为将由所述第一获取单元获取的所述情境信息发送到所述学习设备；

第二发送单元，被配置为将由所述第二获取单元获取的所述检测信息发送到所述学习设备；

第三获取单元，其被配置为将由所述第一发送单元发送的所述情境信息和模型获取请求发送到所述学习设备，并且从所述学习设备获取与所述情境信息相对应的模型；以及

第一确定单元，其被配置为通过使用由所述第二获取单元获取的所述检测信息和由所述第三获取单元获取的所述模型，确定由所述目标设备执行的操作是否正常，以及

所述学习设备包括

第四获取单元，其被配置为获取从所述第一发送单元发送的所述情境信息；

第五获取单元，其被配置为获取从所述第二发送单元发送的所述检测信息；

第一生成单元，其被配置为从由所述第四获取单元获取的所述情境信息相对应的所述检测信息来生成模型；

第二确定单元，其被配置为确定在所述多条情境信息当中的各条情境信息是否彼此相同或相似；

组合单元，其被配置为将由所述第二确定单元确定为彼此相同或相似的所述情境信息相对应的模型进行组合；以及

选择单元，被配置为响应于从所述第三获取单元获取的所述模型获取请求，选择与所述模型获取请求一起接收的所述情境信息相对应的模型，并且将所述模型发送到所述第三获取单元。

2.根据权利要求1所述的诊断系统，其特征在于，

所述第一发送单元在所述第二发送单元发送与所述情境信息相对应的所述检测信息之前，将由所述第一获取单元获取的所述情境信息发送到所述学习设备，并且

当所述学习设备基于从所述第一发送单元发送的所述情境信息，确定需要获取与所述情境信息相对应的所述检测信息，并需要从所述检测信息生成或组合模型时，所述第二发送单元将所述检测信息发送到所述学习设备。

3.根据权利要求1或2所述的诊断系统，其特征在于，所述诊断设备还包括：

散列单元，其被配置为执行散列化，以获得由所述第一获取单元获取的所述情境信息的散列值；以及

加密单元，其被配置为对由所述第二获取单元获取的所述检测信息进行加密，其中

所述第一发送单元将由所述散列单元散列化的所述情境信息的散列值发送到所述学习设备，

所述第二发送单元将由所述加密单元加密的所述检测信息发送到所述学习设备，以及

所述第三获取单元从所述学习设备获取与从所述第一发送单元发送的所述散列值相对应的模型，其中所述学习设备确定散列值是否彼此相同或相似，并且将从分别与相同或相似散列值的对应的加密的检测信息而生成的模型进行组合。

4.根据权利要求3所述的诊断系统，其特征在于，

所述散列单元通过对所述情境信息的元素的特定组合进行散列化来获得散列值。

5.根据权利要求1或2所述的诊断系统，其特征在于，所述诊断设备还包括：第二生成单元，其被配置为从由所述第一获取单元获取的所述情境信息相对应的所述检测信息来生成模型，并将所述模型发送到以相关联的方式存储所述情境信息和所述模型的所述学习设备。

6.根据权利要求1或2所述的诊断系统，其特征在于，

所述第三获取单元从所述学习设备获取与从所述第一发送单元发送的所述情境信息相对应的模型，其中所述学习设备从由所述第二发送单元发送的并且与由所述第一发送单元发送的所述情境信息对应的所述检测信息来生成模型。

7.根据权利要求1所述的诊断系统，其特征在于，

当在所述情境信息中包括的处理条件彼此相同时，所述第二确定单元确定所述情境信息彼此相同或相似。

8.根据权利要求1所述的诊断系统，其特征在于，

当在所述情境信息中的每条情境信息所包括的处理条件的值中的至少一个值处于由阈值定义的预定范围内时，所述第二确定单元确定所述情境信息彼此相同或相似。

9.根据权利要求1所述的诊断系统，其特征在于，

当所述情境信息中的每条情境信息所包括的识别信息和信号处理的结果中的一个彼此相同或相似时，所述第二确定单元确定所述情境信息彼此相同或相似，所述信号处理是在与所述情境信息中的每条情境信息相对应的所述检测信息上执行。

10.根据权利要求1所述的诊断系统，其特征在于，

所述第四获取单元获取散列值，所述散列值是由所述诊断设备进行散列化的情境信息，

所述第五获取单元获取由所述诊断设备加密的检测信息，以及

所述第一生成单元从与由所述第四获取单元获取的所述散列值相对应的加密的检测信息来生成模型。